很多用过最新推理模型的人都发现过一个诡异的现象

很多用过最新推理模型的人都发现过一个诡异的现象。 一道看似不难的逻辑题，AI 突然要想上几十秒。 消耗的算力暴增十倍。 最后吐出来的答案，可能还是错的。 业内把这种现象叫「过思考」。 过去大家总觉得，这是因为模型在更大的搜索树里迷了路。 或者是概率采样在碰运气。 德州大学奥斯汀分校的威廉·吉尔平（William Gilpin）团队，刚刚发了一篇论文。 他们用动力系统物理学拆开大模型的内部隐状态。 发现这根本不是搜索算法在摸索。 这是一场发生在大模型神经元里的物理海啸。 为什么一个已经学会自我纠错的模型，反而在遇到难题时更容易卡住？ 那些暴增的算力和漫长的思考时间，到底被困在了什么地方？ 这台藏在推理大模型底层的机器，叫分形盆瞬态混沌。 论文编号 arXiv:2609.04963。 在物理学视角下，大模型的推理过程本质上是一个高维动力系统。 解决一个问题，等于把一颗小球放进崎岖的重力场。 最终的正确答案，是那个唯一的稳定不动点。 如果是一道简单题，地势一马平川，小球顺着坡度直接滑进终点。 可一旦遇到高难度的数独、迷宫或者数学难题，整个重力场就彻底变了。 小球在滚向正确答案的过程中，会遭遇无数个鞍点。 什么叫鞍点？ 放在具体的解题场景里，鞍点就是「差一点就做对的半成品解」。 在数独里，它是填满了八十个格子、只差最后一两个数字冲突的错误盘面。 在迷宫里，它是那条看起来走了九成路程、但在最后一米被封死的死胡同。 这些半成品解在数学上高度接近正确答案，带有微弱的引力。 模型以为自己快要找到了，于是一头扎了进去。 但因为那是一条死路，系统又必须把小球推出来。 于是小球在这些半成品解之间来回弹射、剧烈散射。 像掉进了一个装满钉子的弹珠台。 这种在有限时间内无法迅速收敛的无序震荡，在非线性动力学里被称为瞬态混沌。 更可怕的是初始条件的敏感度。 吉尔平团队在隐状态空间里切出切片进行测量。 他们发现，通往不同解题路径的吸引盆边界，呈现出无限嵌套的几何分形。 你在起点给初始状态施加一个微小到极致的扰动。 小球撞击鞍点的顺序就会彻底打乱。 推理耗时瞬间暴增几个数量级。 最反直觉的发现，还藏在模型的训练演化史里。 研究团队训练了一个专门解线性方程的循环推理模型，观察它在不同训练阶段的变化。 在早期阶段，模型很蠢，但它算得极快。 因为那时的错误答案是稳定的陷阱，小球滑进去就停了，模型毫不犹豫地给出错误答案。 随着训练推进，模型突然经历了一次物理学上的分岔。 模型学会了多步推理。 那些原本能困住它的错误答案，全部失去了稳定性，变成了可以逃逸的鞍点。 模型终于拥有了逃离错误、纠正假解的能力。 但代价也随之而来。 正是为了打破那些错误陷阱，模型把原本平滑的解题地形，硬生生塑造成了一个布满鞍点和分形边界的混沌迷宫。 为了能够纠错，模型必须容纳瞬态混沌。 一旦遇到真正复杂的约束问题，混沌就会把计算时间无限拉长。 所以大模型在难题面前的减速和过思考，并不是工程师没有调好参数。 这是高维计算复杂性在物理系统里必然投下的阴影。 能够纠错的智能，必须先学会从似是而非的诱惑里挣脱出来。 挣脱那些半成品答案的过程本身，就是一场在刀刃上的漫长漫游。